Im Gegensatz zu vielen traditionellen Machine Learning-Methoden geht Causal AI über einfache Korrelationen hinaus. Sie ermöglicht die Analyse komplexer, oft nichtlinearer Zusammenhänge in hochdimensionalen Daten, wie sie in modernen Produktionsumgebungen üblich sind. Anstatt nur vorherzusagen, wann ein Fehler auftreten könnte, soll sie auch die Gründe offenlegen. So können Anwender selbst in großen und komplexen Produktionsumgebungen versteckte Ursache-Wirkungs-Beziehungen zwischen Prozessparametern und Qualitätsmerkmalen identifizieren. Mit Causal AI sollen Unternehmen ihre Fertigungsprozesse so tiefgreifend verstehen und optimieren können, wie nie zuvor.
KI-gestützte Root Cause Analysis (RCA)
Das Ziel jeder RCA ist es, den ursächlichen Mechanismus hinter einer Veränderung von einem erwünschten zu einem unerwünschten Zustand zu ermitteln, um zu verhindern, dass ein Problem erneut auftritt, das etwa zu Stillstandzeiten der Anlagen und Qualitätsmängel bei den hergestellten Produkten führte. Zudem wollen Produzenten unbekannte Wirkzusammenhänge erkennen, um diese später für die Optimierung der Produktionsanlagen und -prozesse zu nutzen.
Beispiel Autobau
In einer modernen Produktionsanlage eines Automobilzulieferers, die über ein integriertes Produktverfolgungssystem im Sinn von Track and Trace verfügt, sind solche Systeme typischerweise in Scada- oder MES-Anwendungen eingebunden. Diese Systeme nutzen eine umfassende Prozessdatenbank (Historian), die viele Beobachtungsdaten bereitstellt. In einem realen Fall sah sich ein Hersteller von Zylinderkopfhauben mit dem Problem konfrontiert, das die Qualität der Zylinderkopfhauben messbar abnahm – insbesondere wiesen sie Mängel in der Dichtigkeit auf. Um die Ursachen für dieses Problem zu ermitteln, richtete das Unternehmen den Fokus auf die vorhandenen Produktionsdaten. Die Firma entschied sich für den Einsatz der Xplain Data Causal AI-Methode, um die Lösung für das Problem zu finden. Diese Methode besteht aus folgenden Komponenten:
ObjectAnalytics: Datenüberführung in ein objektzentriertes Format. Das zu analysierende Root-Objekt war das produzierte Teil, also die Zylinderkopfhaube. Die ObjectAnalytics Datenbank ermöglicht eine lückenlose Analyse aller Daten entlang der Produktionslinie. Der ObjectExlorer arbeitet entlang der Objekthierarchie, zur effizienten Vor- und Nachbereitung der Causal-AI-Modelle. Der CausalDiscoverer hat die Aufgabe, die Faktoren aufzuspüren, die tatsächlich kausalen Einfluss auf einen Effekt haben, in diesem Fall die ‚Not OK‘-Rate. Schließlich kommt der Causal DiscoveryBot zum Einsatz, ein autonomer AI-Agent, der kontinuierlich kausale KI-Scans der Produktionsdaten durchführt und aufkommende Fehlerursachen an das QM-Team meldet.
Überraschende Erkenntnisse der Causal AI-Algorithmen
Es stellte sich heraus, dass die Dichtheitsprüfung im Fertigungsprozess maßgeblich von der Bauteiltemperatur nach dem Waschen abhängt. Eine zu lange Wartezeit vor der Prüfung führte zu Temperaturschwankungen, die häufig fehlerhafte, falsch-negative Prüfergebnisse erzeugten. Diese Teile wurden dann ausgeschleust und unnötig kostspielig manuell nachbearbeitet. Auch Qualitätsunterschiede bei den Gussnestern der Rohteile wurden aufgedeckt. Durch organisatorische Maßnahmen wurde der Effekt abgestellt, der durch die Wartezeit vor der Dichtheitsprüfung auftrat und das fehlerhafte Gussnest ersetzt. Diese und weitere Anpassungen senkten die Fehlerquote in der Produktion von über zehn Prozent auf etwa 1,6 Prozent. Aufgrund der Anlagenkomplexität ließen sich die Einflussfaktor zuvor nur schwer prüfen.
Voraussetzungen, Implementierung und Rollout
Die Implementierung von Causal AI-Methoden ist in allen Produktionslinien mit diskreter Fertigung möglich, das heißt, wenn die produzierten Teile individuell nachverfolgbar sind. Eine Ausweitung dieser Verfahren auf Zulieferbetriebe ist ebenfalls realisierbar. Die Einführung der KI-Tools in eine Produktionsumgebung beginnt typischerweise mit einem Proof-of-Concept-Projekt, dessen Dauer – abhängig von der Datenbereitschaft – in der Regel drei bis sechs Monate beträgt. Das System kann sowohl On-Premise (Linux, Windows) als auch in der Cloud (AWS, Azure etc.) implementiert werden. Nach erfolgreichem Abschluss des PoC ist der Betrieb des Systems ohne ein dediziertes Data-Science-Team beim Produktionsbetrieb möglich.
Herausforderungen in der Fertigung
Die größte Herausforderung beim Einsatz der Tools ist die lückenlose Verarbeitung der enormen Datenmengen moderner Produktionsanlagen. Genau dazu wurde ObjectAnalytics entwickelt – ein patentiertes, objektzentriertes Datensystem, das eine Analyse des produzierten Teils ermöglicht. Es bildet die Grundlage für eine performante Deep Search nach kausalen Faktoren in komplexen Produktionsdaten – und soll Feature Engineering überflüssig machen.
Zusammenfassung
Der Einsatz dieser KI-Tools in der Fertigung soll nicht nur die Entscheidungsfindung verbessern, sondern auch die Kultur der kontinuierlichen Verbesserung. Das Verständnis der zugrundeliegenden Kausalzusammenhänge ermöglicht es den Herstellern, sich an veränderte Bedingungen anzupassen und ihre Prozesse fortlaufend und effizient zu optimieren. Und die Technologie ist im Aufwind. Im Rockwell Smart Manufacturing Report 2024 gaben 1.500 Entscheidungsträger aus 17 der wichtigsten Fertigungsländer an, dass Causal AI einer der wichtigsten Investitionsschwerpunkte in den nächsten zwölf Monaten sein werde.
